Statistical Learning for Resting-State fMRI: Successes and Challenges

Abstract : In the absence of external stimuli, fluctuations in cerebral activity can be used to reveal intrinsic structures. Well-conditioned probabilistic models of this so-called resting-state activity are needed to support neuroscientific hypotheses. Exploring two specific descriptions of resting-state fMRI, namely spatial analysis and connectivity graphs, we discuss the progress brought by statistical learning techniques, but also the neuroscientific picture that they paint, and possible modeling pitfalls.
Type de document :
Communication dans un congrès
Gearg Langs, Irina Rish, Moritz Grosse-Wentrup, Brain Murphy. Machine Learning and Interpretation in Neuroimaging, NIPS workshop, Dec 2011, Sierra Nevada, Spain. Springer, pp.172-177, 2012, 〈10.1007/978-3-642-34713-9_22〉
Liste complète des métadonnées

Littérature citée [20 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-00753132
Contributeur : Gaël Varoquaux <>
Soumis le : samedi 17 novembre 2012 - 17:00:53
Dernière modification le : jeudi 7 février 2019 - 17:06:51
Document(s) archivé(s) le : lundi 18 février 2013 - 03:42:24

Fichiers

paper.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

Collections

Citation

Gaël Varoquaux, Bertrand Thirion. Statistical Learning for Resting-State fMRI: Successes and Challenges. Gearg Langs, Irina Rish, Moritz Grosse-Wentrup, Brain Murphy. Machine Learning and Interpretation in Neuroimaging, NIPS workshop, Dec 2011, Sierra Nevada, Spain. Springer, pp.172-177, 2012, 〈10.1007/978-3-642-34713-9_22〉. 〈hal-00753132〉

Partager

Métriques

Consultations de la notice

469

Téléchargements de fichiers

559